Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluşturun

Kalabalık bir otoparkta yer bulmak, uzun gişe kuyruklarında beklemek veya güvenlik kontrol noktalarında takılıp kalmak sinir bozucudur. Manuel araç kontrolleri genellikle çok uzun sürer ve gecikmelere neden olur. Otomatik bir sistem olmadan, araçları verimli bir şekilde takip etmek zor olabilir. 

Bilgisayarlı görü, görüntü ve video akışlarından gerçek zamanlı plaka tanıma sağlayarak bunu değiştirdi. Örneğin, Ultralytics YOLO11, nesne tespiti, sınıflandırma ve izleme gibi gelişmiş Vision AI görevlerini gerçekleştirebilen gelişmiş bir bilgisayarlı görü modelidir. YOLO11'in nesne tespiti yeteneklerini kullanarak, görüntülerdeki araç plakalarını doğru bir şekilde tespit edebilirsiniz. 

Ultralytics, Görüntü İşleme Yapay Zeka destekli çözümler oluşturma sürecini basitleştiren kapsamlı Google Colab not defterleri sunar. Bu not defterleri, temel bağımlılıklar, modeller ve adım adım kılavuzlarla önceden yapılandırılmış olarak gelir ve uygulama oluşturmayı kolaylaştırır. Özellikle, ANPR için özel bir Colab not defteri (Otomatik Plaka Tanıma) bulunmaktadır.

Bu makalede, ANPR için Ultralytics Colab not defterini kullanarak, plaka tespiti için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini kullanarak bir ANPR çözümünün nasıl oluşturulacağını keşfedeceğiz. 

ANPR'yi Anlama 

Arabaları manuel olarak takip etmek zaman alıcıdır ve özellikle hızlı hareket ettiklerinde hatalara açıktır. Her bir plakayı tek tek kontrol etmek süreci yavaşlatır ve hata riskini artırır. Otomatik plaka tanıma, bilgisayar görüşünü kullanarak plakaları anında tespit edip okuyarak bu sorunu çözer ve trafik takibini ve güvenliği daha verimli hale getirir.

ANPR sistemleri, geçen araçların görüntülerini veya videolarını yakalayabilir ve plaka numaralarını belirlemek için gerçek zamanlı nesne tespiti kullanabilir. Tespit edildikten sonra, insan müdahalesine gerek kalmadan plaka numaralarını otomatik olarak çıkarmak için metin tanıma kullanılır. Bu işlem, araçlar hızlı hareket ederken veya plakalar kısmen gizlenmiş olsa bile doğru sonuçlar sağlar.

‍

Günümüzde, ücretli geçiş gişeleri, park sistemleri ve emniyet güçleri, araçları verimli bir şekilde takip etmek için giderek daha fazla ANPR'ye güveniyor.

ANPR teknolojisiyle ilgili zorluklar

ANPR araçları hızlı bir şekilde tanımlasa da, doğruluğunu etkileyebilecek bazı zorluklar hala vardır. Bir ANPR sisteminin ne kadar iyi çalıştığını etkileyebilecek birkaç yaygın sorun şunlardır:

• Düşük ışık ve kötü hava koşulları: Plakaların gece ve kötü havalarda okunması zorlaşır. Sis, yağmur ve bir farın parlaması metni bulanıklaştırarak okunamaz hale getirebilir.
  ‍
• Bulanık veya engellenmiş plakalar: Hızlı hareket eden bir araba, özellikle kameranın deklanşör hızı çok yavaşsa, bulanık bir görüntü bırakabilir. Kir, çizikler veya plakanın bazı kısımlarının kapalı olması da tanıma sorunlarına neden olabilir. Doğru ayarlara sahip yüksek kaliteli kameralar kullanmak, daha net sonuçlar elde etmeye yardımcı olur.
  ‍
• Tutarsız plaka tasarımları: Tüm plakalar aynı görünmüyor. Bazılarında sistemi karıştıran süslü yazı tipleri, ekstra metinler veya logolar bulunur.
  ‍
• Gizlilik riskleri ve veri güvenliği: Araç verilerini güvenli bir şekilde saklamak önemlidir. Doğru güvenlik önlemleri yetkisiz erişimi engelleyebilir ve bilgileri koruyabilir. Uygun önlemlerle, ANPR sistemleri hem güvenli hem de güvenilir olabilir.

YOLO11 ANPR sistemlerini nasıl geliştirir

Ultralytics YOLO11, ANPR sistemlerini daha hızlı ve daha doğru hale getirebilir. Görüntüleri hassasiyeti koruyarak hızlı bir şekilde işler ve ağır bir işlem gücü gerektirmez, bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her şeyde iyi çalışır.

Özel eğitim ile YOLO11, farklı plaka stillerine, dillere ve ortamlara uyarlanabilir. Ayrıca, bu koşulların görüntülerini içeren özel veri kümeleri üzerinde özel olarak eğitildiğinde, düşük ışık, hareket bulanıklığı ve zorlu açılar gibi zorlu koşullarda da iyi performans gösterir.

YOLO11, araçları anında tanımlayarak bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği artırmaya yardımcı olur. Bu, otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışını daha sorunsuz ve operasyonları daha verimli hale getirir.

YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluşturmak

Şimdi de YOLO11 ve GPT-4o Mini kullanarak bir ANPR sistemi oluşturmanın nasıl yapılacağını inceleyelim. 

Bu çözüm için Ultralytics Google Collab not defterinde sergilenen kodu inceleyeceğiz. Google Colab not defterinin kullanımı kolaydır ve herkes karmaşık bir kuruluma ihtiyaç duymadan bir ANPR sistemi oluşturabilir.

Adım 1: Ortamın ayarlanması

Başlamak için, ANPR sistemimizi çalıştırmak için gereken temel yazılım paketleri ve kitaplıklar olan bağımlılıklarımızı yüklememiz gerekecek. Bu bağımlılıklar, nesne algılama, görüntü işleme ve metin tanıma gibi görevlere yardımcı olarak sistemin verimli çalışmasını sağlar.

Aşağıda gösterildiği gibi Ultralytics Python paketini kuracağız. Bu paket, önceden eğitilmiş modeller, eğitim araçları ve çıkarım araçları sağlayarak YOLO11 ile plakaları tespit etmeyi ve tanımayı kolaylaştırır.

‍

Metin tanıma için GPT-4o Mini'yi de kurmamız gerekecek. GPT-4o Mini, algılanan plakalardan metin çıkarmaktan sorumlu olduğundan, modele erişmek için bir API anahtarına ihtiyacımız var. Bu anahtar, GPT-4o Mini API'sine kaydolarak elde edilebilir. Anahtara sahip olduktan sonra, sistemin modele bağlanabilmesi ve plaka numaralarını işleyebilmesi için Colab not defterine eklenebilir.

Kurulumu tamamlayıp kurulum kodunu çalıştırdıktan sonra, YOLO11 plaka tanımaya hazır olacak ve GPT-4o Mini, plakalardaki metni tanıyıp çıkarmak için ayarlanacaktır.

Adım 2: Özel olarak eğitilmiş modeli indirin

Artık her şey ayarlandığına göre, bir sonraki adım plaka tanımak için özel olarak eğitilmiş YOLO11 modelini indirmektir. Bu model zaten plaka tanımak için eğitilmiş olduğundan, sıfırdan eğitmeye gerek yoktur. Sadece indirebilirsiniz ve kullanıma hazırdır. Bu, zamandan tasarruf sağlar ve süreci çok daha kolay hale getirir.

Ayrıca, sistemi test etmek için örnek bir video dosyası indireceğiz. İsterseniz, bu çözümü kendi video dosyalarınızda da çalıştırabilirsiniz. İndirildikten sonra, model ve video dosyaları not defteri ortamında saklanacaktır.

‍

Adım 3: Videoyu yükleyin ve tespiti başlatın

Model hazır olduğunda, onu iş başında görme zamanı gelir. İlk olarak, video dosyası doğru şekilde açıldığından emin olmak için işlenmek üzere yüklenir. Ardından, orijinal boyut ve kare hızını koruyarak, algılanan plakalarla işlenmiş görüntüleri kaydetmek için bir video yazıcısı ayarlanır. Son olarak, model videonun her karesindeki plakaları algılamak için yüklenir.

‍

Model yüklendikten sonra, sistem plaka tespit etmek için videonun her karesini analiz etmeye başlayacaktır. Bir plaka bulunduğunda, sistem onu bir tespit kutusuyla vurgulayarak tanımlamayı kolaylaştırır. Bu adım, gereksiz arka plan bilgilerini filtreleyerek yalnızca ilgili ayrıntıların yakalanmasını sağlar. Plakalar başarıyla tespit edildiğine göre, video artık bir sonraki aşama için hazır.

Adım 4: Plakalardan metin çıkarma

Bir plaka tespit edildikten sonraki adım, metin tanımadır. Sistem önce plakayı video çerçevesinden kırparak net bir görüntü için dikkat dağıtıcı unsurları ortadan kaldırır. Bu, düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırarak ayrıntılara odaklanmaya yardımcı olur.

Plaka ayrıldıktan sonra, GPT-4o Mini görüntüyü analiz eder, sayıları ve harfleri çıkarır ve bunları okunabilir metne dönüştürür. Tanınan metin daha sonra videoya geri eklenir ve algılanan her plaka gerçek zamanlı olarak etiketlenir.

Bu adımlar tamamlandığında, ANPR sistemi tamamen işlevseldir ve plakaları kolaylıkla tanımaya hazırdır. 

Adım 5: İşlenmiş videoyu kaydetme

Son adım, işlenen videoyu kaydeder ve geçici dosyaları temizleyerek her şeyin sorunsuz çalışmasını sağlar. 

Tespit edilen plakalar ve tanınan metinlerle işlenen her kare, son çıktı videosuna yazılır. Tüm kareler işlendikten sonra, sistem okuduğu video dosyasını kapatır, böylece bellek ve sistem kaynakları boşaltılır. Ayrıca çıktı videosunu tamamlar ve kaydeder, böylece oynatmaya veya daha fazla analize hazır hale getirir.

‍

Bir ANPR sistemi dağıtmak

Bir ANPR çözümü oluşturup test ettikten sonraki adım, onu gerçek dünya ortamında kullanıma sunmaktır. Çoğu Görüntü Yapay Zeka modeli yüksek performanslı bilgi işlemeye bağlıdır, ancak Ultralytics YOLO11 Edge AI için optimize edilmiştir. Bulut işleme veya sürekli bir internet bağlantısı gerektirmeden küçük cihazlarda verimli bir şekilde çalışabilir, bu da onu sınırlı kaynaklara sahip konumlar için harika bir seçim haline getirir.

Örneğin, kapalı bir site, büyük sunuculara ihtiyaç duymadan araçları girerken tanımlamak için bir uç cihazda YOLO11'i kullanabilir. Her şey yerinde gerçek zamanlı olarak işlenir, bu da sorunsuz erişim, azaltılmış tıkanıklık ve gelişmiş güvenlik sağlar.

‍

Bu arada, istikrarlı internet bağlantısı olan bölgelerde, bulut tabanlı ANPR aynı anda birden fazla kamerayı işleyebilir. Örneğin, bir alışveriş merkezinde, farklı girişlerdeki araçları takip edebilir ve plaka numaralarını merkezi bir sistemde saklayarak otoparkı izlemeyi, güvenliği artırmayı ve araç akışını uzaktan yönetmeyi kolaylaştırır.

ANPR için gelecek yol haritası

Ultralytics YOLOv8 ile otomatik bir plaka tanıma (ANPR) sistemi kurmak basittir. Plakaları doğru bir şekilde algılar ve farklı ortamlara ve gereksinimlere uyum sağlamak için özel olarak eğitilebilir.

ANPR sistemleri güvenliği artırır, park yönetimini kolaylaştırır ve trafik izlemeyi iyileştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve çeşitli uygulamalarda araç takibini daha verimli hale getirir.

Topluluğumuza katılın ve yapay zekayı iş başında görmek için GitHub depomuzu ziyaret edin. Lisanslama seçeneklerimizi keşfedin ve çözüm sayfalarımızda üretimde Vision AI ve kendi kendine giden arabalarda yapay zeka hakkında daha fazla bilgi edinin.